人工神经网络及其在疾病诊断中的应用

《人工神经网络及其在疾病诊断中的应用》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、人工神经网络及其在疾病诊断中的应用【关键词】人工神经网络人工神经网络(artificialneuralnetworks,ANN)是近年迅速发展起来的一门集神经科学、信息科学、计算机科学于一体的交叉、边缘学科，是生物神经网络在结构、功能及某些基木特性方面的理论抽象、简化和模拟而构成的一种信息处理系统［1］。其理论的应用已渗透到各个领域并取得非常令人瞩冃的进展，近年来在医学领域的应用也越来越广泛，现对其基木理论及其在疾病诊断方面的应用综述如下。1ANN的产生神经元是处理人体内各部分Z间信息传递的基本单元。每个神经元都由一个简单处理作用的细胞体，一个连接其他神经元的轴突和树突组成。人的人

2、脑正是拥有约上百亿个神经元这样庞大的信息处理体系，來进行感受、记忆、联想及反应等复杂的人脑思维。ANN就是在对人脑组织结构和运动机制认识理解基础上人工构造的能实现某种功能的理论化的人脑数学模型［2］。它兴起于19世纪末20世纪中期，1943年美国心理学家McCulloch和数学家Pitts合作提出了ANN的第一个数学模型(M・P模型)［3］,从此开创了ANN的理论研究时代。其后,Rosenblatt［4］等众多学者又先后提出了感知模型、BP网络及Hopfield网络等更为复杂的网络模型及改进方法，使得ANN技术得以蓬勃发展。2人工神经元模型与网络结构一个ANN的神经元模型和结构描述

3、了一个网络如何将它的输入欠量转化为输出欠量的过程。通过选取不同的模型结构和激活函数，可以形成各种不同的ANN,达到不同的设计目的，完成不同的任务。2.1人工神经元模型(artificialneuronmodel)一般是一个多输入/单输出的非线性元件，如图1显示了一个具有r个输入分量的神经元模型。输入分量pjO=1,2,・.・,r)通过与和它相乘的权值分量wjG=1,2,r)相连，以j=1WjPj的形式求和后，形成激活函数f(.)的输入，激活函数的另一个输入是神经元的阈值b。神经元模型的输入输出关系可表示为：a=f(Zrj=1WjPj+b)图1人工神经元模型(略)若将此模型与生物神经

4、元相对照，则权值w对应于突触的联结强度，细胞体对应累加器工和激活函数f(.),神经元输岀a代表轴突的信号。在网络的设计屮，具有固定常数为1的输入的阈值起着重要的作用，能使激活函数的图形左右移动从而增加解决问题的可能性。激活函数是神经元及网络的核心，常用的有硬限制型、线性型及S型。其作用是控制输入对输出的激活作用；对输入、输出进行函数转换和将可能无限域的输入变换成指定的有限范围内的输出。2.2网络结构（networkarchitecture）单个神经元的功能非常有限，并不能满足实际应用的要求。在实际应用中需要有多个并行操作的神经元，这些可以并行操作的神经元组成的集合称为“层”。如图2

5、所示，ANN分为输入层、隐含层及输出层。图2神经网络模型（略）当输入ANN—组数据（或称输入模式），网络输入层的每个单元都接受到输入模式的一部分，对输入模式缓冲后，通过输入层与隐含层的连接权重将输入信息传至隐含层；隐含层中的各处理单元有的兴奋，有的抑制，经过隐含层处理过的信息传至输出层；输出单元将隐含层单元的输出作为H己的输入，同时也经过隐含层与输出层间权重矩阵及输出单元阈值的作用，在激活函数处理示也有的兴奋，有的抑制。输出层单元输出的模式就是网络对输入模式激活的总效应。多层网络比雎层的功能强大，但因网络节点及层数越多，训练吋间会越长，所以人多数实际的ANN仅仅只有二到三层，很少有

6、四层或多层。3网络的学习和训练ANN的一个显著特征是它通过向环境学习获取知识并改进自身性能从而来解决问题，所以要想用ANN解决实际问题必须先讣它学习或者说对它训练，让它掌握输入样本的内在规律性，从而才能完成对新样木的正确识别、分类或做出某种响应。网络在学习过程屮不是通过修改单元木身来完成训练，而是靠改变网络屮的连接权重进行学习［5］。网络训练和学习的内涵相同，只不过训练是一外部过程，对网络来说是一个被动过程，而学习则是网络掌握权重矩阵及阈值的主动过程。网络训练方式包括递增训练和批训练；学习规则分为监督（有导师）学习和无监督（无导师）学习［6］。4ANN的特点［2,4,7］4.1高度

7、的并行性ANN是山许多简单元件并联组合而成，虽然每个元件的功能简单,但大量简单元件的并行活动，使其对信息的处理能力与效果惊人。4.2强人的非线性作用ANN的每个神经元接受人量其他神经元的输入，并通过并行网络产生输出，影响其他神经元，网络之间的这种互相制约和影响，实现了从输入状态到输出状态空间的非线性映射。网络整体性能不是网络局部性能的简单亞加，而是表现出某种集体性的行为，这允许ANN能更好地进行数据拟合。4.3良好的容错性和稳健性ANN结构内部存在神经元之间的复杂连接